in

La herramienta de software muestra una clara ventaja en la predicción de la pureza del agua

Una nueva herramienta de software muestra una clara ventaja en la predicción de la pureza del agua

Una nueva herramienta de software muestra una clara ventaja en la predicción de la pureza del agua

Descripción general de EnviroPiNet. Crédito: Informes Científicos (2025). DOI: 10.1038/s41598-025-18585-8

Una nueva y poderosa herramienta de software que puede predecir con precisión el rendimiento de los biofiltros utilizados por la industria del agua podría reducir el desafío de mantener la pureza del agua del grifo.

Investigadores de la Escuela de Ingeniería James Watt de la Universidad de Glasgow desarrollaron la herramienta, llamada Red Neural Environmental Buckingham Pi, o EnviroPiNet.

Utiliza técnicas de aprendizaje automático combinadas con modelos físicos sofisticados para predecir la capacidad de los biofiltros para eliminar compuestos orgánicos de carbono del agua con hasta un 90% de precisión. La herramienta es ahora disponible en línea para uso gratuito.

Los biofiltros se utilizan en instalaciones de tratamiento de agua para eliminar contaminantes de las aguas residuales antes de devolverlas a los grifos domésticos como agua potable pura. Los compuestos de carbono orgánico son un contaminante común que llega al agua a través de rutas que incluyen los desechos humanos, la agricultura y la industria.

Los biofiltros son un método ecológico para eliminar el carbono y otros contaminantes del agua. Están recubiertos por capas de bacterias que capturan y consumen carbono de las aguas residuales a su paso. Su rendimiento se degrada con el tiempo a medida que se acumula material de desecho, lo que significa que los biofiltros deben monitorearse de cerca para garantizar que la calidad del agua no se degrade junto con ellos.

Ser capaz de modelar con precisión el rendimiento de los biofiltros en aplicaciones del mundo real podría ayudar a la industria del agua a tomar decisiones mejor informadas sobre cómo se utilizan y cuándo se reemplazan. Sin embargo, el desarrollo de herramientas de software para ayudar con estas tareas se ha visto frenado por la falta de datos de alta calidad sobre el complejo entorno físico de las instalaciones de tratamiento de aguas residuales.

En un nuevo periódico publicado en el diario Informes Científicosel equipo muestra cómo EnviroPiNet combina un teorema matemático llamado Buckingham Pi con el aprendizaje automático para hacer predicciones precisas sobre el rendimiento del biofiltro a pesar de los escasos datos disponibles.

El Dr. Fabien Cholet, Domenic Quinn, la profesora Cindy J Smith, el profesor Siming You y el profesor William T Sloan de la Escuela de Ingeniería James Watt son los coautores del artículo. El artículo del equipo se titula «Un modelo de aprendizaje automático guiado por principios físicos para la predicción del rendimiento de los biofiltros».

El equipo compiló un conjunto de datos sobre el rendimiento de los biofiltros extraídos de publicaciones de investigación anteriores y de sus propias pruebas de laboratorio, que utilizaron para entrenar el algoritmo de aprendizaje automático. Utilizaron el 80% de los datos disponibles para enseñar el modelo y, una vez entrenado, validaron su rendimiento probando su capacidad para modelar los datos en el 20% restante del conjunto de datos.

EnviroPiNet pudo predecir con precisión el rendimiento del biofiltro el 90% de las veces, una clara mejora con respecto a otros modelos que el equipo probó utilizando el mismo conjunto de datos. El segundo mejor rendimiento utilizando métodos basados ​​en PCA logró una precisión del 50%, mientras que las técnicas de codificación automática lograron solo un 20%.

Uzma, de la Escuela de Ingeniería James Watt de la Universidad de Glasgow, es el autor correspondiente del artículo. Dijo: «Las biotecnologías ambientales presentan desafíos únicos, ya que involucran sistemas microbianos complejos y a menudo dependen de datos recopilados en condiciones limitadas o controladas.

«Esta falta de datos diversos y de alta variabilidad puede hacer que los modelos predictivos sean menos generalizables y reducir su precisión en escenarios del mundo real. Incluso con métodos modernos de monitoreo de alta resolución, persisten los desafíos con la calidad, integración y representatividad de los datos, lo que destaca la necesidad de mejores estrategias de datos para mejorar el rendimiento del modelo.

«EnviroPiNet es la primera herramienta de su tipo que demuestra predicciones altamente precisas a partir de los datos disponibles, lo cual es un resultado realmente alentador. Actualmente estamos trabajando con socios en la industria del agua para encontrar formas de probar el desempeño de EnviroPiNet en condiciones del mundo real.

«Nuestra esperanza es que sea una herramienta valiosa para ayudar a ajustar el rendimiento de los biofiltros para maximizar su rendimiento sin pruebas físicas costosas y complejas, reduciendo costos y aumentando la eficiencia sin comprometer la calidad del agua».

El equipo ya está explorando cómo podría adaptarse EnviroPiNet a otros usos, incluso en entornos de atención médica.

Más información:
Uzma et al, Un modelo de aprendizaje automático guiado por principios físicos para la predicción del rendimiento de biofiltros, Informes Científicos (2025). DOI: 10.1038/s41598-025-18585-8

Proporcionado por la Universidad de Glasgow


Citación: La herramienta de software muestra una clara ventaja en la predicción de la pureza del agua (2025, 9 de octubre) obtenido el 9 de octubre de 2025 en https://techxplore.com/news/2025-10-software-tool-advantage-purity.html

Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.



Fuente

El crossover Doja Cat de Fortnite comenzó con un momento muy incómodo

El crossover Doja Cat de Fortnite comenzó con un momento muy incómodo

Apple lanza nuevo firmware Beta para AirPods Pro 2, AirPods Pro 3 y AirPods 4